Author Profile

Written By

Yugal Sharma, titulaire d'un doctorat

Le Dr Yugal Sharma était directeur général des solutions chez CAS avec à son actif plus de 15 années d'expérience dans l'application et la gestion des approches de science des données et d'apprentissage machine dans le but de résoudre des problématiques complexes dans le secteur de la santé. Yugal a été scientifique pour les National Institutes of Health (NIH), où il a travaillé au développement d'algorithmes de détection précoce des maladies. Après avoir travaillé aux NIH, il a participé à la création d'une start-up technologique, puis d'une autre start-up de conseil professionnel. Plus récemment, il a mis à profit son expérience de conseiller gouvernemental spécialisé en stratégie d'analyse pour les clients des NIH et de la FDA. Il a publié plusieurs articles scientifiques et participé à la rédaction d'un chapitre d'un ouvrage consacré à l'exploitation des dossiers de santé électroniques pour détecter les signes de maladie. Yugal a obtenu son doctorat en biophysique à l'université de Cincinnati, où il a été diplômé avec mention.

Latest Content from Yugal Sharma, Ph.D.

Optimizing AI for improved retrosynthesis predictions

mai 28, 2021

Trouver une meilleure voie : Optimiser l'intelligence artificielle pour des prédictions synthétiques plus novatrices

Les modèles d'intelligence artificielle et de machine learning aident à la planification rétrosynthétique, mais sont limités par les données d'entraînement utilisées. Poursuivez votre lecture pour découvrir des moyens de générer de nouvelles prédictions en veillant à ce que vos données présentent la diversité et la qualité nécessaires pour optimiser les initiatives de planification synthétique.

juin 14, 2019

Étude de cas : l'impact de la qualité des données sur la prédiction algorithmique de l'activité biologique

L'intelligence artificielle et l'apprentissage machine offrent des perspectives très prometteuses pour améliorer la productivité de la recherche dans de nombreuses disciplines. Toutefois, il reste de nombreux obstacles bien documentés à la mise en œuvre de ces technologies dans les applications de R&D et bon nombre d'opportunités de s'appuyer sur les efforts déployés à ce jour pour garantir un meilleur taux de réussite. En fait, selon un analyste de Gartner, pas moins de 85 % des projets pilotés grâce à l'intelligence artificielle n'atteignent pas leurs objectifs. Ainsi que je l'avais déjà indiqué dans une publication précédente, comme bien d'autres, je pense que l'une des principales lacunes qui nuit souvent à ce taux de réussite est la qualité des données.

mars 8, 2019

Qualité des données : la recette pas si secrète de l'intelligence artificielle et de l'apprentissage machine

La promesse de l'intelligence artificielle a toujours semblé une perspective pour le futur, mais en réalité, de nombreuses entreprises adoptent déjà des initiatives dans ce domaine. C'est le cas en particulier dans les secteurs de la R&D scientifique. Ces dernières années, on a assisté une multiplication phénoménale des initiatives d'apprentissage machine et d'intelligence artificielle dans tous les secteurs, des modèles QSAR à la génomique. Selon une enquête de 2018, l'adoption de l'intelligence artificielle a bondi, passant de 38 % en 2017 à 61 % en 2018. On constate cette tendance dans différents secteurs, notamment la santé, l'industrie et les services financiers. Toutefois, la plupart des pionniers ont constaté que l'un des principaux défis à sa mise en œuvre efficace réside dans la donnée, à savoir l'accès, la protection, l'intégration et la préparation des données pour les programmes d'intelligence artificielle.